做 AI 算法调优一些年了，这些年中接触了不少模型，也做过不少在 ASIC 芯片进行模型加速的案例。

在接触的模型中，有一些模型有着非常奇怪的分支结构，有的还有奇怪的 tensor shape，还有的有这奇怪的自定义算法。但在模型优化时，为了将一个 AI 模型性能调到最优，也是无所不用其极，能用到的办法几乎都会尝试一遍。

但是，有方法不代表有效。

很多时候，在一个 AI 平台上有效的优化手段，换到了另一个平台上就失效了。就好像我们可以在 Intel CPU 上使用 avx2 指令集来做优化，但是换到 GPU 上就不行，因为它不支持这个指令集。

其实现在，整个 AI 模型的开发和优化，越来越往软硬协同方向发展。什么意思呢？

大概就是，在设计硬件架构和芯片指令集的时候，就需要软件人员参与进来，而不是硬件人员埋头设计。要软硬件开发人员一起来设计，这就要求硬件人员懂算法和软件，软件人员懂硬件结构。 这样设计出来的芯片，在软件同事进行算法开发时，才能发挥出最大的硬件潜能，才能榨干芯片的每一处性能。

这也是为什么很多大厂，比如特斯拉都在自研芯片。一方面是为了摆脱对芯片厂家的依赖，另一方面则是，可以依照自己家独特的算法，比如一些自定义算法或模型，自定义的设计更适用于自家业务的芯片结构，这样做出来的产品性能才好。

工作这些年，有幸参与过一些 AI 芯片的硬件设计讨论，也有幸参与过一些软件方案的设计，下面就谈一下我对这方面的感想吧，写的随意，权当随笔了。

AI 软件栈

说到 AI 的软件，你会想到哪里？是